[논문 리뷰] DPHMM: Customizable Data Release with Differential Privacy via Hidden Markov Model

Yonghui Xiao, Yilin Shen외 4명|arXiv (Cornell University)|2016. 09. 29.

Privacy-Preserving Technologies in Data참고 문헌 13인용 수 7

한 줄 요약

DPHMM는 시간적 데이터 내 민감한 상태 전이를 보호하기 위해 사용자 정의 가능한 정책 그래프를 통합한 차별적 비밀 보장이 보장되는 은닉 마르코프 모델을 제안한다. 그래프 기반의 불변성과 민감도 헐을 사용하여 노출 위험을 탐지함으로써 DPHMM는 비밀 보장과 유틸리티 사이의 조정 가능한 트레이드오프를 가능하게 하며, 시간 상관관계 하에서도 DPLS에 비해 유틸리티가 뛰어나면서도 강력한 비밀 보장 보장을 유지한다.

ABSTRACT

Hidden Markov model (HMM) has been well studied and extensively used. In this paper, we present DPHMM ({Differentially Private Hidden Markov Model}), an HMM embedded with a private data release mechanism, in which the privacy of the data is protected through a graph. Specifically, we treat every state in Markov model as a node, and use a graph to represent the privacy policy, in which "indistinguishability" between states is denoted by edges between nodes. Due to the temporal correlations in Markov model, we show that the graph may be reduced to a subgraph with disconnected nodes, which become unprotected and might be exposed. To detect such privacy risk, we define sensitivity hull and degree of protection based on the graph to capture the condition of information exposure. Then to tackle the detected exposure, we study how to build an optimal graph based on the existing graph. We also implement and evaluate the DPHMM on real-world datasets, showing that privacy and utility can be better tuned with customized policy graph.

연구 동기 및 목표

• 시간적 상관관계 하에서 마르코프 모델 내 민감한 상태 전이를 보호하는 데 도전하는 문제를 해결하기 위해.
• 은닉 마르코프 모델 내에 비밀 보장 데이터 공개 메커니즘을 통합하여 사용자 정의 가능한 비밀 보장-유틸리티 트레이드오프를 가능하게 하기 위해.
• 시간적 의존성으로 인한 그래프 축소로 인해 발생하는 비밀 보장 노출 위험을 탐지하고 완화하기 위해.
• 민감도 헐과 보호 수준 지표를 사용하여 비밀 보장 보장을 형식화하기 위해.
• 실제 데이터 세트에서 기존 방법들인 DPLS에 비해 DPHMM가 더 나은 비밀 보장-유틸리티 트레이드오프를 달성함을 보여주기 위해.

제안 방법

• 논문은 정점이 상태를 나타내고 간선이 불변성을 나타내는 그래프로 비밀 정책을 모델링하여 사용자 정의 가능한 정책 그래프를 구성한다.
• 시간적 상관관계로 인해 발생하는 보호되지 않은 부분 그래프를 식별하기 위해 민감도 헐의 개념을 도입한다.
• 보호 수준(DoP)은 진짜 상태가 얼마나 많은 상태들 안에 숨겨져 있는지를 수치화하여 비밀 보장 강도를 정의한다.
• 모든 상태가 적절히 보호되도록 보장하기 위해 현재 그래프를 확장하여 최적의 보호 가능한 그래프를 구성한다.
• 비밀 보장 데이터 공개 메커니즘은 민감도 헐 기반으로 노이즈를 추가하여 정책 그래프 제약 조건 하에서 차별적 비밀 보장을 보장한다.
• 실험은 런타임, DoP, 오차(L2 노름) 등의 지표를 사용하여 GeoLife 및 Gowalla 데이터 세트에서 수행된다.

실험 결과

연구 질문

• RQ1 시간적 상관관계 하에서 은닉 마르코프 모델 내에서 비밀 보장을 사용자 정의 가능한 방식으로 맞춤화하여 유틸리티와의 균형을 이룰 수 있는가?
• RQ2 불변성에 대한 정책 그래프를 사용할 경우 시간적 상관관계로 인해 발생하는 비밀 보장 위험은 무엇인가?
• RQ3 민감도 헐을 사용하여 마르코프 모델 내에서 정보 노출을 탐지하고 정량화할 수 있는가?
• RQ4 모든 상태가 추론 공격으로부터 보호되도록 정책 그래프를 최적의 방식으로 확장하는 방법은 무엇인가?
• RQ5 실제 데이터에서 DPHMM은 DPLS와 같은 기존 방법에 비해 비밀 보장, 유틸리티 및 효율성 측면에서 어떻게 비교되는가?

주요 결과

• DPHMM는 GeoLife 및 Gowalla 데이터 세트에서 모두 낮은 오차(L2 노름)를 보이며 DPLS에 비해 더 높은 유틸리티를 달성하면서도 비밀 보장을 유지하거나 향상시킨다.
• G_trs 그래프를 사용할 경우 DPHMM는 강력한 비밀 보장(DoP가 각각 GeoLife와 Gowalla에서 100과 70)을 제공하지만, 이는 더 높은 오차를 수반한다.
• G_util 그래프를 사용할 경우 DPHMM는 DPLS보다 낮은 오차를 달성하면서도 DPLS를 초월하는 DoP를 유지하여 더 나은 비밀 보장-유틸리티 트레이드오프를 나타낸다.
• DoP는 노이즈 스케일이 아닌 그래프 구조에 따라 결정되므로, 다양한 ε 값에서도 안정적으로 유지된다.
• 예상과 같이 ε가 증가할수록 오차가 감소한다. 이는 더 큰 ε 값이 더 적은 노이즈를 허용하기 때문이다.
• G_util에서 거리 파라미터 r가 증가할수록 DoP는 증가하지만 오차도 증가함을 확인하여, 그래프 커스터마이제이션을 통해 비밀 보장과 유틸리티를 조정할 수 있음을 확인한다.